Orpheus TTS（オルフェウスティーティーエス）
Canopy Labsが2025年2月に公開した30億パラメータの会話型テキスト音声合成モデル。LLaMA-3をベースに音声トークンを組み込み、[laugh]・[sigh]等の感情タグで表現豊かな自然音声を生成できる。
Orpheus TTSとは
Orpheus TTSは、スタートアップCanopy Labsが2025年2月にオープンソースで公開した会話型テキスト読み上げモデルです。パラメータ数3B（30億）を持ち、Meta LLaMA-3をベースに音声トークンを学習させた独自アーキテクチャを採用しています。
最大の特徴は「感情タグ」による豊かな音声表現です。テキスト中に[laugh]・[sigh]・[gasp]・[cough]・[chuckle]などのタグを挿入するだけで、まるで俳優が演技するかのような自然な感情を込めた音声を生成できます。これまでのTTSモデルが「読み上げ」に特化していたのに対し、Orpheusは「会話」「演技」にまで踏み込んだモデルです。
主な特徴・仕組み
- LLaMA-3ベース: Meta LLaMA-3-3Bをベースに、SNAC（Multi-Scale Neural Audio Codec）音声トークン49,152種を組み込み
- 感情タグ対応: [laugh]・[sigh]・[gasp]・[cough]・[chuckle]・[clears throat]・[sad]の7タグ
- 英語音声スタイル: tara、leah、jess、leo、dan、mia、zac、zoeyの8種類の音声キャラクター
- コンテキスト認識: 直前の会話履歴を参照することで、文脈に合った抑揚・速度を自動調整
- ストリーミング対応: 生成開始から0.5秒以下のファーストトークン待ち時間（RTX 4090環境）
- 量子化版配布: GGUF Q4_K_M版でRAM 6GB動作、llama.cpp経由でCPU推論可能
スペック比較表
| 項目 | Orpheus 3B | Kokoro 82M | ElevenLabs | Dia 1.6B |
|---|---|---|---|---|
| パラメータ | 3B | 82M | クラウド | 1.6B |
| VRAM要件 | 6GB+ | 1GB未満 | N/A | 3GB+ |
| 感情タグ | 7種 | なし | なし | 5種 |
| 言語 | 英語 | 8言語 | 30言語 | 英語 |
| ライセンス | Apache 2.0 | Apache 2.0 | 商用 | Apache 2.0 |
| 価格 | 無料 | 無料 | $5/月〜 | 無料 |
使用例と感情タグの活用
# 感情タグを含むテキスト例
text = "Really? [laugh] That is incredible! [gasp] I cannot believe it worked!"
# テキスト中の[laugh][gasp]タグが自然な笑い声・驚き声として出力される
ユースケース別推奨設定:
- ポッドキャスト制作: tara（落ち着いた女性）+ [chuckle]タグで自然な掛け合いを演出
- ゲームNPC: leo（男性）+ [gasp]・[cough]でキャラクター性豊かな台詞
- 教育コンテンツ: mia（明るい女性）+ 感情タグなしで明瞭な説明音声
- 有声書籍: dan（落ち着いた男性）で長時間聴取に疲れない音声
ローカル環境での実行
# HuggingFace からダウンロード（GGUF版、約6GB）
huggingface-cli download canopylabs/orpheus-3b-0.1-ft-gguf orpheus-3b-0.1-ft-Q4_K_M.gguf
# llama.cpp経由で実行
./llama-cli -m orpheus-3b-0.1-ft-Q4_K_M.gguf --n-predict 512 --temp 0.6
推奨GPU: NVIDIA RTX 4060（VRAM 8GB）以上でリアルタイム生成可能。RTF約0.3〜0.5。
他モデルとの比較・使い分け
Orpheus TTS vs Kokoro TTS:
- 感情表現の豊かさ: Orpheus > Kokoro（タグベースの感情制御）
- 推論速度: Kokoro > Orpheus（82M vs 3Bの差）
- 多言語対応: Kokoro > Orpheus（現時点ではOrpheusは英語特化）
Orpheus TTS vs Dia:
- マルチスピーカー: Dia > Orpheus（[S1][S2]タグ対応）
- 感情の細かさ: Orpheus ≒ Dia（異なるアプローチ）
- モデルサイズ: Dia（1.6B） < Orpheus（3B）
よくある質問（FAQ）
Q1: 日本語には対応していますか？ A: 公式モデルorpheus-3b-0.1-ftは英語特化ですが、コミュニティによるファインチューニング版がHuggingFaceに公開されています。日本語の品質はKokoro TTSに比べると劣りますが、感情タグは日本語テキストでも一定の効果を発揮します。
Q2: RTX 3060（VRAM 12GB）で動作しますか？ A: はい。FP16精度のフルモデル（約6GB VRAM）はRTX 3060 12GBで動作します。RTF約0.4〜0.6程度で、会話シナリオには十分な速度です。Q4量子化版（約2GB VRAM）であればRTX 3060 6GBでも動作可能です。
Q3: 感情タグを誤ってテキストに埋め込むとどうなりますか？ A: タグとして認識された[laugh]等は音声効果として処理されるため、テキストとして読み上げられることはありません。未知のタグ（[angry]等）はテキストとして読み上げられる場合があります。7種の公式タグのみ使用を推奨します。
まとめ
- LLaMA-3 3Bベースの会話特化TTS、感情タグ7種対応
- [laugh]・[sigh]等タグでポッドキャスト・ゲーム音声に最適
- Apache 2.0ライセンスで商用利用無料、GGUF量子化版でCPU動作可
- 2025年上半期のオープンソースTTSで感情表現トップクラス